LLM-Wiki插件开发：构建智能知识库的全流程解析

1. 从零构建智能知识库：LLM-Wiki插件开发全记录

作为Obsidian的重度用户，我一直在寻找让知识管理更高效的方法。传统笔记系统最大的痛点在于：我们花费大量时间整理资料，但最终这些笔记往往变成难以维护的"数字废墟"。直到看到Karpathy关于"知识编译"的推文，我突然意识到——大语言模型(LLM)正是解决这个问题的钥匙。

这个插件本质上是一个自动化知识编译器。它把Obsidian Vault变成代码仓库，原始资料是源代码，LLM是编译器，最终产出结构化的wiki知识库。整个过程就像软件开发中的编译流程：你只管写代码（收集资料），编译器（LLM）负责将其转化为可执行文件（结构化知识）。

2. 核心架构设计解析

2.1 目录结构与所有权模型

知识库腐烂的根源往往在于"所有权混乱"。当人和AI同时修改同一批文件时，系统很快就会变得不可预测。我的解决方案是严格的目录隔离：

code复制Vault/
├── raw/          # 原始资料区（用户负责）
│   ├── tech/     # 技术类内容
│   ├── work/     # 工作文档  
│   └── reading/  # 阅读笔记
├── wiki/         # 编译产出区（LLM专属）
│   ├── summaries/ # 摘要页
│   └── concepts/  # 概念页
└── legacy/       # 旧笔记存档（只读）

关键规则：

• raw目录：用户可自由添加文件，LLM负责自动分类
• wiki目录：完全由LLM维护，用户只读
• legacy目录：冻结状态，避免干扰新系统

实践心得：这种严格的职责划分消除了"谁该改哪里"的困惑。测试阶段尝试过混合模式，结果两周内就出现了LLM和用户互相覆盖修改的情况。

2.2 CLAUDE.md：编译器的"内核"

这个文件是整个系统的控制中心，相当于LLM的操作手册。它包含：

1. 目录规范：每个目录的用途和权限
2. Frontmatter模板：wiki页面的元数据格式
3. 操作流程：ingest/query/lint的详细步骤
4. 十条铁律：如"永远不修改raw内容"

最关键的优化点：

markdown复制# 铁律第三条：立即执行原则
当收到操作指令时，必须直接完成所有步骤，不要停下来讨论或确认。

开发早期版本时，LLM总会停下来询问"这样分类可以吗？"，导致流程中断。加入这条规则后，效率提升了300%。

3. 核心功能实现细节

3.1 Ingest（知识摄入）流程剖析

完整的ingest过程包含7个步骤：

1. 源文件读取：插件直接将文件内容嵌入prompt
2. 摘要生成：创建wiki/summaries/下的摘要页
3. 概念提取：识别文章中的核心概念
4. 实体识别：人物、工具、框架等实体页面
5. 交叉引用：自动添加双向链接
6. 矛盾检查